پژوهش بالینی همواره به تخصص قابل توجهی در طراحی مطالعه، ساخت کوهورت، توسعه مدل و مستندسازی نیاز داشته است؛ فرآیندهایی که مستلزم دانش تخصصی و قابلیت‌های برنامه‌نویسی هستند. دسترسی به داده‌های حساس بیماران نیز این چالش‌ها را پیچیده‌تر کرده و موانع جدی برای پزشکان و پژوهشگران خارجی ایجاد کرده است.
برای رفع این چالش‌ها، محققان سیستم هوشمند پژوهش بالینی عامل‌محور (CARIS) را توسعه دادند؛ چارچوبی نوآورانه که گردش‌کار پژوهش بالینی را خودکار می‌کند و همزمان حریم خصوصی داده‌ها را حفظ می‌نماید. این سیستم مدل‌های زبانی بزرگ را با ابزارهای ماژولار از طریق پروتکل MCP یکپارچه می‌سازد و امکان هدایت فعالیت‌های پژوهشی با زبان طبیعی را فراهم می‌آورد.
CARIS پایگاه‌های داده را به‌صورت امن در سرور MCP نگهداری می‌کند و کاربران تنها به خروجی‌ها و گزارش‌های نهایی پژوهش دسترسی دارند، نه داده‌های خام. بر اساس نیت کاربر، این سیستم به‌طور خودکار خط‌مشی کامل پژوهش را اجرا می‌کند: برنامه‌ریزی، جستجوی ادبیات، ساخت کوهورت، مستندسازی کمیته اخلاق، توسعه مدل یادگیری ماشین و تولید گزارش، با نظارت تکراری انسانی در سراسر فرآیند.
ارزیابی روی سه مجموعه داده بالینی ناهمگون، عملکرد قوی سیستم را نشان داد. برنامه‌های پژوهشی و مستندات کمیته اخلاق ظرف سه تا چهار تکرار اصلاحی، با بهره‌گیری از شواهد ادبیات و داده‌ها تکمیل شدند. سیستم از طریق کاوش نظام‌مند ترکیب‌های ویژگی-مدل، شناسایی مدل‌های برتر و تولید مصورسازی عملکرد، پشتیبانی مؤثری ارائه داد.
گزارش‌های پژوهشی نهایی به ۹۶ درصد کامل بودن در ارزیابی مبتنی بر مدل زبانی و ۸۲ درصد در ارزیابی انسانی دست یافتند، بر اساس چک‌لیستی مشتق‌شده از چارچوب TRIPOD+AI. این نتایج نشان می‌دهد که هوش مصنوعی عامل‌محور می‌تواند فرضیات بالینی را به گردش‌کار پژوهشی قابل اجرا در مجموعه‌داده‌های متنوع تبدیل کند.
CARIS با حذف الزام کدنویسی و نیاز به دسترسی مستقیم به داده‌ها، موانع ورود به پژوهش بالینی را به‌طور چشمگیری کاهش می‌دهد. این سیستم پلی میان محیط‌های داده بالینی عمومی و خصوصی ایجاد می‌کند و امکان انجام مطالعات جامع را بدون به خطر انداختن حریم خصوصی بیماران یا نیاز به تخصص گسترده برنامه‌نویسی فراهم می‌سازد.
گفتگو